Odcinek
Analiza sieci społecznościowych Bayesa z Bergm
with Alberto Caimo
useR!2017: Analiza sieci społecznościowych Bayesian z Be...
Słowa kluczowe: analiza Bayesiana, modele wykresów wykładniczego losowego, metody Monte Carlo
Strony internetowe:https://CRAN.R-project.org/package=Bergm
Modele wykresów wykładnych losowych (ERGM) są bardzo ważną rodziną modeli statystycznych do analizowania danych sieciowych. Z punktu widzenia obliczeniowego maszyny ERGM są niezwykle trudne do obsługi, ponieważ ich stała normalizacji, która zależy od parametrów modelu, jest nie do zniesienia. W tej rozmowie pokażemy, jak wnioskowanie parametrów można przeprowadzić w strukturze Bayesowskiej przy użyciu strategii MCMC, które omija potrzebę obliczenia stałych normalizacji.
Nowa wersja pakietu Bergm dla R (Caimo i Friel 2014) zapewnia kompleksową strukturę analizy Bayesian dla ERGMs przy użyciu przybliżonego algorytmu wymiany (Caimo i Friel 2011) oraz kalibracji rozkładu pseudo-plakatowego (Bouranis, Friel i Maire 2015) do próbki z rozkładu tylnego parametru ERGM. Pakiet może również dostarczać graficzne procedury dopasowania bayesowskie, które rozwiążą problem odpowiedniości modelu.
W tym przemówieniu skupimy się na głównych praktycznych funkcjach implementacji oprogramowania, które zostaną opisane przez analizę rzeczywistych danych sieciowych (z różnymi aplikacjami w Neuroscience i Organization Science).
Odniesienia Bouranis, L., N. Friel i F. Maire. 2015. "Wnioskowanie bayesowskie dla misspecified Random Graph Models". arXiv Preprint arXiv:1510.00934.
Caimo, A., i N. Friel. 2011. "Wnioskowanie bayesowskie dla modeli wykładniczego losowego grafu". Sieci społecznościowe 33 (1): 41–55.
———. 2014. "Bergm: Bayesian Exponential Random Graphs in R". Dziennik oprogramowania statystycznego 61 (2): 1–25.
useR!2017: Analiza sieci społecznościowych Bayesian z Be...
Słowa kluczowe: analiza Bayesiana, modele wykresów wykładniczego losowego, metody Monte Carlo
Strony internetowe:https://CRAN.R-project.org/package=Bergm
Modele wykresów wykładnych losowych (ERGM) są bardzo ważną rodziną modeli statystycznych do analizowania danych sieciowych. Z punktu widzenia obliczeniowego maszyny ERGM są niezwykle trudne do obsługi, ponieważ ich stała normalizacji, która zależy od parametrów modelu, jest nie do zniesienia. W tej rozmowie pokażemy, jak wnioskowanie parametrów można przeprowadzić w strukturze Bayesowskiej przy użyciu strategii MCMC, które omija potrzebę obliczenia stałych normalizacji.
Nowa wersja pakietu Bergm dla R (Caimo i Friel 2014) zapewnia kompleksową strukturę analizy Bayesian dla ERGMs przy użyciu przybliżonego algorytmu wymiany (Caimo i Friel 2011) oraz kalibracji rozkładu pseudo-plakatowego (Bouranis, Friel i Maire 2015) do próbki z rozkładu tylnego parametru ERGM. Pakiet może również dostarczać graficzne procedury dopasowania bayesowskie, które rozwiążą problem odpowiedniości modelu.
W tym przemówieniu skupimy się na głównych praktycznych funkcjach implementacji oprogramowania, które zostaną opisane przez analizę rzeczywistych danych sieciowych (z różnymi aplikacjami w Neuroscience i Organization Science).
Odniesienia Bouranis, L., N. Friel i F. Maire. 2015. "Wnioskowanie bayesowskie dla misspecified Random Graph Models". arXiv Preprint arXiv:1510.00934.
Caimo, A., i N. Friel. 2011. "Wnioskowanie bayesowskie dla modeli wykładniczego losowego grafu". Sieci społecznościowe 33 (1): 41–55.
———. 2014. "Bergm: Bayesian Exponential Random Graphs in R". Dziennik oprogramowania statystycznego 61 (2): 1–25.
Chcesz przesłać opinię? Prześlij problem tutaj.